論文の概要: TAGTorch: A PyTorch Library for Geometry, Topology, and Symmetry-Aware Machine Learning

• arxiv url: http://arxiv.org/abs/2607.28755v1
• Date: Thu, 30 Jul 2026 18:20:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.43361
• Title: TAGTorch: A PyTorch Library for Geometry, Topology, and Symmetry-Aware Machine Learning
• Title（参考訳）: TAGTorch: PyTorch Library for Geometry, Topology, and Symmetry-Aware Machine Learning
• Authors: Brendan Kennedy, Tegan Emerson, Gregory Roek, Emilie Purvine, Henry Kvinge,
• Abstract要約: Topology, Algebra, and Geometry Torch (TAGTorch) はオープンソースのPyTorchベースのライブラリで、トポロジー、代数、幾何学にヒントを得たツールを統合する。 我々は、TAGTorchの設計哲学を説明し、その現在のアーキテクチャと能力について議論する。
• 参考スコア（独自算出の注目度）: 8.433030556642677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the last decade, neural networks have been applied to an increasingly diverse range of applications, including data with rich geometric, topological, or symmetry-related structure. As a result, researchers have increasingly drawn inspiration from topology, algebra, and geometry. Despite this rich algorithmic development, the supporting software ecosystem remains fragmented. Many important methods exist only as research prototypes in unmaintained repositories. We address this by introducing Topology, Algebra, and Geometry Torch (TAGTorch), an open-source, PyTorch-based library that unifies tools inspired by topology, algebra, and geometry, including data-preprocessing methods, architectures, training techniques, and model analysis tools. We describe the design philosophy of TAGTorch and then discuss its current architecture and capabilities, highlighting areas where it can fill gaps in the current software ecosystem. We conclude with a discussion of our future development priorities for the library.
• Abstract（参考訳）: 過去10年間で、ニューラルネットワークは、リッチな幾何学的、トポロジカル、対称性に関連した構造を持つデータを含む、ますます多様なアプリケーションに適用されてきた。 その結果、研究者はトポロジー、代数、幾何学から着想を得ている。 このようなリッチなアルゴリズム開発にもかかわらず、サポートソフトウェアエコシステムは断片化されている。 多くの重要な手法は、保守されていないリポジトリで研究のプロトタイプとしてのみ存在する。 我々は、トポロジ、代数、幾何学にインスパイアされたツールを統合するオープンソースのPyTorchベースのライブラリであるTopology、Algebra、Geometry Torch (TAGTorch)を導入することで、この問題に対処する。 TAGTorchの設計哲学を説明し、その現在のアーキテクチャと能力について議論し、現在のソフトウェアエコシステムのギャップを埋めることのできる領域を強調します。 図書館の今後の開発優先事項について論じる。

関連論文リスト

• Optimizing Geometry Problem Sets for Skill Development [0.0]
  ユークリッド幾何学問題の注釈と整理は1990年代初頭に開発され、ソフトウェアツールとして実装された。 我々は、現代の人工知能の文脈において、それが再び関係していると論じている。
  論文  参考訳（メタデータ） (2025-09-02T19:04:45Z)
• A Survey of Deep Learning for Geometry Problem Solving [52.90604903858389]
  幾何学的問題解決は、教育、AIの数学的能力の評価、マルチモーダル能力の評価など、様々な領域で不可欠である。 近年のディープラーニング技術、特にマルチモーダルな大規模言語モデルの出現は、この分野の研究を著しく加速させている。
  論文  参考訳（メタデータ） (2025-07-16T06:03:08Z)
• Geometric Origins of Bias in Deep Neural Networks: A Human Visual System Perspective [1.7315645623674356]
  ディープニューラルネットワーク(DNN)におけるバイアス形成は、依然として批判的だが理解されていない課題である。 人間の視覚システムに触発されて,クラス固有の知覚マニフォールドの幾何学的複雑さをモデルバイアスに結びつける幾何学的分析フレームワークを提案する。 この解析を支援するために,知覚多様体の幾何学的性質を計算するために設計された知覚多様体幾何学ライブラリを提案する。
  論文  参考訳（メタデータ） (2025-02-17T13:54:02Z)
• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オンロジはドメインの知識とメタデータを表現するために広く使われている。 直接支援できる論理的推論は、学習、近似、予測において非常に限られています。 1つの簡単な解決策は、統計分析と機械学習を統合することである。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• Plane Geometry Diagram Parsing [29.921409628478152]
  深層学習とグラフ推論に基づく強力な図式を提案する。 幾何学的プリミティブを抽出する修正インスタンスセグメンテーション法を提案する。 グラフニューラルネットワーク(GNN)を利用して、関係解析と原始分類を実現する。
  論文  参考訳（メタデータ） (2022-05-19T07:47:01Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
  本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。 我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。 我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• PyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models [8.572409162523735]
  pytorch temporalは、神経信号処理のための時間的ディープラーニングフレームワークである。 PyTorchのエコシステムにある既存のライブラリの基礎として作られた。 実験では、フレームワークが豊富な時間的特徴と空間構造を持つWebスケールデータセット上で動作できる可能性があることが示された。
  論文  参考訳（メタデータ） (2021-04-15T21:45:57Z)
• Learning from Protein Structure with Geometric Vector Perceptrons [6.5360079597553025]
  幾何学的ベクトルパーセプトロンを導入し、標準密度層を拡張してユークリッドベクトルの集合を演算する。 本稿では,タンパク質構造から学習する際の2つの重要な問題として,モデル品質評価と計算タンパク質設計について述べる。
  論文  参考訳（メタデータ） (2020-09-03T01:54:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。